1、在使用之前需要在settings中打開(kāi)。

2、pipeline在settings中鍵表示位置(即pipeline在項(xiàng)目中的位置可以自定義)，值表示離引擎的距離，越近數(shù)據(jù)越先通過(guò)：權(quán)重值小的優(yōu)先執(zhí)行。

3、當(dāng)pipeline較多時(shí)，process_item的方法必須是returnitem，否則后一個(gè)pipeline獲得的數(shù)據(jù)就是None值。

pipeline中必須有process_item方法，否則item無(wú)法接收和處理。

from sklearn.pipeline import Pipelinefrom sklearn.svm import SVCfrom sklearn.decomposition import PCAestimators = [(’reduce_dim’, PCA()), (’clf’, SVC())]pipe = Pipeline(estimators)pipe

內(nèi)容擴(kuò)展：

Python的sklearn.pipeline.Pipeline()函數(shù)可以把多個(gè)“處理數(shù)據(jù)的節(jié)點(diǎn)”按順序打包在一起，數(shù)據(jù)在前一個(gè)節(jié)點(diǎn)處理之后的結(jié)果，轉(zhuǎn)到下一個(gè)節(jié)點(diǎn)處理。除了最后一個(gè)節(jié)點(diǎn)外，其他節(jié)點(diǎn)都必須實(shí)現(xiàn)’fit()’和’transform()’方法， 最后一個(gè)節(jié)點(diǎn)需要實(shí)現(xiàn)fit()方法即可。當(dāng)訓(xùn)練樣本數(shù)據(jù)送進(jìn)Pipeline進(jìn)行處理時(shí)， 它會(huì)逐個(gè)調(diào)用節(jié)點(diǎn)的fit()和transform()方法，然后點(diǎn)用最后一個(gè)節(jié)點(diǎn)的fit()方法來(lái)擬合數(shù)據(jù)。

from sklearn.linear_model import LinearRegressionfrom sklearn.preprocessing import PolynomialFeaturesfrom sklearn.pipeline import Pipeline def polynomial_model(degree = 1): polynomial_features = PolynomialFeatures(degree = degree, include_bias = False) linear_regression = LinearRegression() pipeline = Pipeline([(’polynomial_features’, polynomial_features), (’linear_regression’, linear_regression)]) return pipeline

以上就是python pipeline的用法及避坑點(diǎn)的詳細(xì)內(nèi)容，更多關(guān)于python pipeline的使用注意的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！